Least-Squares Monte Carlo Method and Machine Learning for Solvency Capital Requirement Calculation.

Details

Supervisors

Barbarin, Jérôme

Faculty

Faculté des sciences

Degree label

Master [120] en sciences actuarielles, à finalité spécialisée

Abstract

frCe mémoire étudie et compare l’utilisation de méthodes de régression classiques et de modèles de machine learning interprétables pour l’évaluation du Solvency Capital Requirement (SCR) dans le cadre de Solvabilité II. Le calcul du SCR à partir de simulations imbriquées peut en effet devenir particulièrement coûteux lorsque la valorisation des passifs doit être répétée sur un grand nombre de scénarios économiques. L’approche Least-Squares Monte Carlo (LSMC) permet de réduire ce coût en construisant une fonction proxy reliant les principaux facteurs de risque à la valeur économique des passifs. Le travail compare une régression LSMC polynomiale, utilisée comme méthode de référence, à deux approches de machine learning interprétables : LocalGLMnet et Explainable Boosting Machines (EBM). Ces modèles sont intégrés dans un cadre commun de valorisation afin d’étudier conjointement leur précision globale, leur comportement dans les régions extrêmes de la distribution et leur capacité à reproduire le SCR à 99,5 %. Une attention particulière est également portée à l’interprétabilité des modèles et à l’identification des principaux mécanismes de risque. L’étude numérique repose sur un portefeuille d’assurance vie participative intégré dans un modèle actif-passif comportant plusieurs facteurs de risque financiers et actuariels. Les résultats permettent d’évaluer les compromis entre précision, flexibilité et interprétabilité des différentes méthodes et montrent l’intérêt des modèles de machine learning explicables comme alternatives aux proxies LSMC traditionnels pour l’évaluation du capital de solvabilité.